机插育秧应坚持标准操作和规范管理——关于少部分机插育秧死苗现象的浅析和思考

推广机插秧技术，提高水稻种植机械化水平是全省“十五”农机化工作的重中之重。2004年，泰兴市按照省、市农机主管部门的统一部署和要求，加大了插秧机推广力度，机插水稻面积达800hm^2，取得了较好的示范效果。但在机插育秧过程中，也出现了育秧死苗的情况。     

水稻不同育秧方式效果分析

通过对水稻几种不同育秧方式对比试验,结果表明:水稻“无纺布、旱育保姆”旱育秧具有不用寄栽小秧、秧苗素质好、产量高、投入少、省工、省力、管理方便、增产增收、经济效益好等技术特点,是一项值得大力推广的农业实用新技术。     

台湾农业机械化发展现状及政策扶持经验

台湾省自20世纪80年代年起就基本实现了农业机械化。农业机械化设施主要有：水稻生产的耕整机械、播种育秧与栽插机械、植保机械、联合收获机械、干燥机械，甘蔗收获机，玉米播种施肥机、玉米收获机，甘薯收获机，大豆联合收获机，蔬菜育苗及移植机械，茶叶加工制造自动化控制机械，坡地多用途作业机械、烟草机械、橡胶收获机等。台湾农业机械化的发展大致可以分为三个阶段。     

2CYL-450型水稻秧盘育秧播种流水线的研制

在分析国内外水稻秧盘育秧播种流水线特点的基础上,针对播种器容易伤芽、没有除杂环节、整机操作劳动强度大等不足之处,研制了2CYL-450型水稻秧盘育秧播种流水线;介绍了该流水线的组成、工作原理、主要技术参数及结构特点.设计的播种器由勺式槽轮将种子从种箱中播出,落于筛分板上,经振动筛分、除杂后进入到与其安装为一体的V形槽板上,沿V形槽板有序排队,最后经出口播出.设计的双层秧盘供送装置,通过光电传感器与供送装置实现了依次定位输送秧盘.整个流水线结构简单、操作简便、播种精度好、生产效率高.     

CAE技术在汽车轻量化设计中的应用

阐述了CAE技术的基本概念和应用范围,说明了采用CAE软件进行结构计算的一般过程,并从车身结构优化设计、发动机零部件优化设计、车架结构优化设计三个方面讲述了CAE技术在汽车轻量化设计中的应用。     

水稻插秧机配套育秧技术

水稻机械化育插秧技术是采用规范化育秧、机械化插秧的水稻移栽技术,主要内容包括适合机械栽插要求的秧苗培育、插秧机的操作使用、大田管理农艺配套措施等,采用该技术可减轻劳动强度,实现水稻生产的节本增收、高产稳产。2008年福安市溪潭镇首次引进1台步行式插秧机,1台乘坐式插秧机。我们根据机插育秧教材,结合以往大田育秧经验进行机插育秧试验,早晚两季机插示范300多亩获得成功,今年有望得到进一步推广。现将本镇机插育秧示范过程中在关键环节采取的做法介绍如下：     

机插稻育秧床土的培肥效应研究

床土培肥是培育水稻机插秧苗的首要措施。在不同类型床土条件下对培肥水平与床土速效氮磷钾增加的关系及育秧过程中的肥力消耗进行了分析。结果表明,通过添加速效肥料进行床土培肥,可使床土速效NPK含量迅速增加,速效氮的增加呈指数关系,高培肥处理的增幅大于低培肥处理,丘陵土的增加快于冲积土;速效磷含量随培肥水平的     

杂交中稻秧田最大载苗量研究

目前在湘鄂川黔边境的武陵山区,杂交稻作单季中稻栽培,发展迅速,对提高水稻产量和解决粮食问题起了重要作用。然而对育秧技术尚缺乏系统的研究,技术改进较慢,秧田播种量带有一定的盲目性,更有甚者,有些地方还在沿用常规中稻的老水秧田育秧,播种量较大,且不分茬口迟早播种量“一刀切”,栽插时秧龄也普遍偏短等。难以育出杂交中稻高产要求的多蘖壮秧。本试验的目的,是从探求个体与群体的矛盾着眼,设计不同的秧田播种量,重点考查秧苗分蘗的发生、停止和死亡的日期,个体器官的建成以及最大载苗量构成的各项指标,为培育适合杂交中稻高产的多蘖壮秧,提供理论和实践依据。     

水稻抛秧栽培若干关键技术与理论研究进展

水稻抛秧栽培已经历了50～80年代的经验、探索、示范阶段,90年代在我国学者的努力下,在抛秧稻高产理论及栽培技术实用化上获得了重大进展与突破,推动了抛秧稻大面积生产应用。本文就抛秧栽培研究与应用发展过程中的若于关键问题作一概述。1育秧培育出秧丛带土且相互独立分离的不同苗龄的适抛秧苗是水稻抛秧至关重要的第一步,因此,育秧技术一直是抛秧栽培的研究热点之一。由于我国熟制复杂,生产条件各异,育秧方式已呈多元化特点,归纳起来主要有两大类7种形式。1.1塑料软盘育秧在投资、秧苗素质等方面,对塑料硬盘、塑料软盘。纸钵（…     

基于改进SqueezeNet模型的多品种茶树叶片分类方法

为实现茶树叶片种类的准确、无损、快速分类,以复杂背景下6个品种的茶树叶片图像作为研究对象,通过卷积神经网络实现茶树叶片品种分类。选择经典轻量级卷积神经网络SqueezeNet,通过在Fire模块中增加批归一化处理,实现网络参数不显著增加的前提下大幅提升网络对多品种茶树叶片分类的准确率;通过将Fire模块中的3×3标准卷积核替换为深度可分离卷积,进一步缩小网络模型,降低网络对硬件资源的要求;通过在每个Fire模块中引入注意力机制,增强网络对重要特征信息的提取能力,提升模型分类性能。试验结果表明,原始SqueezeNet模型对多品种茶树叶片分类准确率为82.8%,增加批归一化处理后模型在测试集的准确率达到86.0%,参数量只有7.31×10⁵,相对于改进前参数量仅增加0.8%,运算量与改进前基本相同;将Fire模块中的3×3标准卷积核替换成深度可分离卷积后的模型在测试集的准确率为86.8%,准确率提高0.8个百分点,参数量下降至2.46×10⁵,模型参数量减小66.3%,运算量下降60.4%;引入注意力机制后的模型测试集分类准确率达到90.5%,...